ModelOperationsCatalog.Load Método

Definición

Espacio de nombres:

Microsoft.ML

Ensamblado:

Microsoft.ML.Data.dll

Paquete:

Microsoft.ML v2.0.0

Sobrecargas

Load(Stream, DataViewSchema)	Cargue el modelo y su esquema de entrada desde una secuencia.
Load(String, DataViewSchema)	Cargue el modelo y su esquema de entrada desde un archivo.

Load(Stream, DataViewSchema)

Cargue el modelo y su esquema de entrada desde una secuencia.

public Microsoft.ML.ITransformer Load (System.IO.Stream stream, out Microsoft.ML.DataViewSchema inputSchema);

member this.Load : System.IO.Stream * DataViewSchema -> Microsoft.ML.ITransformer

Public Function Load (stream As Stream, ByRef inputSchema As DataViewSchema) As ITransformer

Parámetros

stream

Stream

Flujo legible y buscable desde el que se va a cargar.

inputSchema

DataViewSchema

Contendrá el esquema de entrada para el modelo. Si el modelo se guardó sin ninguna descripción de la entrada, no habrá ningún esquema de entrada. En este caso, puede ser null.

Devoluciones

ITransformer

Modelo cargado.

Ejemplos

using System;
using System.Collections.Generic;
using System.IO;
using Microsoft.ML;

namespace Samples.Dynamic.ModelOperations
{
    public class SaveLoadModel
    {
        public static void Example()
        {
            // Create a new ML context, for ML.NET operations. It can be used for
            // exception tracking and logging, as well as the source of randomness.
            var mlContext = new MLContext();

            // Generate sample data.
            var data = new List<Data>()
            {
                new Data() { Value="abc" }
            };

            // Convert data to IDataView.
            var dataView = mlContext.Data.LoadFromEnumerable(data);
            var inputColumnName = nameof(Data.Value);
            var outputColumnName = nameof(Transformation.Key);

            // Transform.
            ITransformer model = mlContext.Transforms.Conversion
                .MapValueToKey(outputColumnName, inputColumnName).Fit(dataView);

            // Save model.
            mlContext.Model.Save(model, dataView.Schema, "model.zip");

            // Load model.
            using (var file = File.OpenRead("model.zip"))
                model = mlContext.Model.Load(file, out DataViewSchema schema);

            // Create a prediction engine from the model for feeding new data.
            var engine = mlContext.Model
                .CreatePredictionEngine<Data, Transformation>(model);

            var transformation = engine.Predict(new Data() { Value = "abc" });

            // Print transformation to console.
            Console.WriteLine("Value: {0}\t Key:{1}", transformation.Value,
                transformation.Key);

            // Value: abc       Key:1

        }

        private class Data
        {
            public string Value { get; set; }
        }

        private class Transformation
        {
            public string Value { get; set; }
            public uint Key { get; set; }
        }
    }
}

Load(String, DataViewSchema)

Cargue el modelo y su esquema de entrada desde un archivo.

public Microsoft.ML.ITransformer Load (string filePath, out Microsoft.ML.DataViewSchema inputSchema);

member this.Load : string * DataViewSchema -> Microsoft.ML.ITransformer

Public Function Load (filePath As String, ByRef inputSchema As DataViewSchema) As ITransformer

Parámetros

filePath

String

Ruta de acceso a un archivo desde el que se debe leer el modelo.

inputSchema

DataViewSchema

Contendrá el esquema de entrada para el modelo. Si el modelo se guardó sin ninguna descripción de la entrada, no habrá ningún esquema de entrada. En este caso, puede ser null.

Devoluciones

ITransformer

Modelo cargado.

Ejemplos

using System;
using System.Collections.Generic;
using System.IO;
using Microsoft.ML;

namespace Samples.Dynamic.ModelOperations
{
    public class SaveLoadModelFile
    {
        public static void Example()
        {
            // Create a new ML context, for ML.NET operations. It can be used for
            // exception tracking and logging, as well as the source of randomness.
            var mlContext = new MLContext();

            // Generate sample data.
            var data = new List<Data>()
            {
                new Data() { Value="abc" }
            };

            // Convert data to IDataView.
            var dataView = mlContext.Data.LoadFromEnumerable(data);
            var inputColumnName = nameof(Data.Value);
            var outputColumnName = nameof(Transformation.Key);

            // Transform.
            ITransformer model = mlContext.Transforms.Conversion
                .MapValueToKey(outputColumnName, inputColumnName).Fit(dataView);

            // Save model.
            mlContext.Model.Save(model, dataView.Schema, "model.zip");

            // Load model.
            model = mlContext.Model.Load("model.zip", out DataViewSchema schema);

            // Create a prediction engine from the model for feeding new data.
            var engine = mlContext.Model
                .CreatePredictionEngine<Data, Transformation>(model);

            var transformation = engine.Predict(new Data() { Value = "abc" });

            // Print transformation to console.
            Console.WriteLine("Value: {0}\t Key:{1}", transformation.Value,
                transformation.Key);

            // Value: abc       Key:1

        }

        private class Data
        {
            public string Value { get; set; }
        }

        private class Transformation
        {
            public string Value { get; set; }
            public uint Key { get; set; }
        }
    }
}